如今的人工智能已经可以识别医疗死亡风险

（文章来源：教育新闻网）

根据Geisinger的发布，Geisinger研究人员最近发现，人工智能可以检查心电图(ECG)测试结果，以识别可能在一年内死亡或出现潜在危险的心律不齐或心律不齐的患者。

在两项研究中进行的研究人员使用了Geisinger系统内已存档医疗记录的200万个ECG测试结果，以训练深层神经网络并预测心律不规则(称为心房颤动(AF))，然后再进行开发。心房颤动与心脏病发作和中风的风险增加相关。这些研究是最早使用人工智能从心电图结果预测未来事件而不是检测当前健康问题的研究之一。

“这是令人兴奋的，并提供了更多的证据，表明我们正处于医学革命的边缘，计算机将与医生一起改善患者的护理水平，”该研究的共同资深作者，副教授Brandon Fornwalt博士说。兼Geisinger影像科学与创新系系主任。在第一项研究中，研究人员与尚未发生房颤的患者进行了合作。

在来自超过237,000名患者的110万个ECG中，研究团队使用高度专业化的计算硬件来训练一个深度神经网络，以针对每个ECG分析15个数据段-30,000个数据点。研究人员发现，在高风险的前1%的患者中，三分之一的人在一年内被诊断出患有房颤。

模型预测还显示了更长期的预后意义，因为与低风险患者相比，在接下来的25年随访中，预测为发生纤颤的患者发生纤颤的危险率高45%。

影像学系助理教授克里斯托弗·哈格蒂(Christopher Haggerty)博士说：“目前，用于鉴定哪些患者会在明年内发展为房颤的方法有限，这就是为什么很多时候房颤的第一个征兆是中风的原因。”盖辛格(Geisinger)的创新以及这两项研究的共同资深作者。“我们希望该模型可以用于早期识别出房颤的患者，以便对其进行治疗以预防中风。”

在第二项研究中，研究人员进行了研究，以找出最可能在一年内死于任何原因的患者。Geisinger研究人员分析了将近40万名患者的177万份心电图和其他记录的结果。该团队使用这些数据来比较基于机器学习的模型，该模型要么直接分析原始ECG信号，要么依赖于汇总的人类衍生指标和通常诊断出的疾病模式。

发现直接分析ECG信号的神经网络模型在预测1年死亡风险方面具有优势。幸运的是，即使在医师认为心电图正常的患者中，神经网络也能够准确预测死亡风险。该新闻稿称，三位心脏病专家分别检查了最初被视为正常的心电图，他们通常无法识别神经网络检测到的风险模式。